Kāpēc inflācija Latvijā ir tik zema?

Pēdējā desmitgadē inflācijas temps Latvijas tautsaimniecības izaugsmes periodā piedzīvoja strauju kāpumu, bet pēc tam krīzes laikā tas būtiski saruka un kļuva pat negatīvs. Tam sekoja inflācijas atkopšanās un, visbeidzot, pēdējos trīs gadus atrodamies zemas inflācijas periodā (skat. 1. attēlu).

1. attēls. Inflācijas temps (izmaiņas pret iepriekšējā gada atbilstošo periodu, %)

Avots: Centrālā statistikas pārvalde

Inflāciju ietekmē gan virkne iekšējo, gan ārējo faktoru. Latvijas Banka operatīvi seko līdzi inflācijas attīstībai, un katru mēnesi analizē jaunākos inflācijas datus. Ņemot vērā, ka cenu stabilitāti novēro vairāku gadu jeb vidējā termiņā, ir vērts aplūkot inflācijas dinamiku arī ilgākā laika posmā.

Šajā rakstā mēs analizējam Latvijas inflācijas dinamiku pēdējo septiņu gadu laikā un mēģinām noskaidrot faktorus, kuri noteica inflācijas svārstības šajā laika posmā, ieskaitot tos, kas ietekmēja pēdējo gadu zemo inflāciju. Šim nolūkam tiek izmantotas ekonometriskās analīzes metodes. Par pamatu tiek izvēlēts vektoru autoregresijas modelis (VAR), jo tas ļauj analizēt vairāku mainīgo kopsakarības vienlaikus [1].

Kā inflācijas mērs tiek izvēlēts saskaņotā patēriņa cenu indeksa izmaiņas (SPCI), izņemot enerģijas komponenti [2].

Pārējie mainīgie tiek sadalīti trijās grupās:

• Pirmā grupa ir biznesa ciklu raksturojošie manīgie – iekšzemes kopprodukts (IKP) un investīcijas salīdzināmajās cenās, kā arī bezdarba līmenis. Palielinoties ekonomiskai aktivitātei (kas izpaužas straujākā IKP, investīciju kāpumā un zemākā bezdarbā), aug pieprasījums pēc precēm un pakalpojumiem kā rezultātā paaugstinās cenas;
• Otrajā grupā ietilpst ārējo vidi raksturojošie mainīgie – nominālais efektīvais valūtas kurss Latvijai, naftas cena un ne-enerģijas produktu cenu indekss, kā arī ārējais pieprasījums pēc Latvijā ražotām precēm un pakalpojumiem. Piemēram, paaugstinoties pasaules pārtikas cenām vai naftas cenai, pieaug arī attiecīgi Latvijā saražoto/patērēto preču un pakalpojumu cenas [3];
• Visbeidzot trešo grupu veido finanšu sektora mainīgie: īstermiņa procentu likme (trīs mēnešu Euribor), izsniegto kredītu apjoma atlikums un kredītu cena jeb aizdevumu likmes (mājsaimniecībām un nefinanšu sabiedrībām). Kredītu pieejamība veicina pieprasījuma pieaugumu, radot augšupvērstu spiedienu uz cenu līmeni.

Lai izskaidrotu inflācijas dinamiku, izmantojam tā saucamo nosacīto prognožu metodi [4] un izveidojam nosacītās prognozes diviem dažādiem laika periodiem. Pirmais laika periods (2008. gada 2. ceturksnis – 2011. gada 3. ceturksnis) raksturo inflācijas strauju kritumu un tās atkopšanos. Otrais laika periods (2011. gada 4. ceturksnis –2014. gada 4. ceturksnis) raksturo zemās inflācijas līmeni pēdējo trīs gadu laikā.

Nosacīto prognožu pieeja balstās uz pieņēmumu, ka daži inflāciju raksturojošie faktori prognozēšanas periodā mums nav zināmi, bet pārējiem faktoriem ir iepriekš noteikta dinamika. Tiek veikti trīs eksperimenti, katrā no tiem tiek pieņemts, ka kādam no trijiem ietekmes faktoriem – biznesa cikla, ārējās vides vai finanšu sektora grupas mainīgajiem – ir noteikta dinamika, kura atbilst šo mainīgo faktiskajām vērtībām. Piemēram, mēs pieņemam, ka mums ir zināmas biznesa cikla faktora (IKP, reālās investīcijas un bezdarbs) faktiskās vērtības laika periodā no 2008. gada 2. ceturkšņa līdz 2011. gada 3. ceturksnim, un uz tā pamata mēs varam izveidot inflācijas nosacītās prognozes, kas parāda, cik lielā mērā biznesa cikla mainīgie palīdz izskaidrot inflācijas dinamiku šajā laika posmā. Līdzīgā veidā iegūstam inflācijas prognozes, kā nosacījumu izvēloties jau cita faktora mainīgo faktiskās vērtības.

Tādējādi inflācijas nosacīto prognožu iegūšana ļauj atbildēt uz jautājumu: cik lielā mērā ir iespējams izskaidrot inflācijas dinamiku, pamatojoties uz atsevišķo mainīgo iepriekš noteikto attīstības scenāriju? Iegūtās inflācijas nosacītās prognozes tiek salīdzinātas ar inflācijas faktiskajām vērtībām un aprēķinātas prognožu kļūdas. Tās ir apskatāmas 2. attēlā. Jo mazāka ir prognožu kļūda, jo labāk konkrētā faktoru grupa izskaidro inflāciju.

2. attēls.

Inflācijas prognožu kļūdu aprēķini liecina, ka:

• Pirmajā periodā inflāciju vislabāk raksturo ārējās vides mainīgie. Šo ārējo mainīgo izmantošana ļauj būtiski, pat pieckārt, samazināt potenciālās prognožu kļūdas. Tātad inflācijas kritumu krīzes laikā un tās atkopšanos noteica ārējie faktori. Piemēram, pasaules ekonomikas krīzes iespaidā krītošās pasaules produktu cenas un straujais ārējā pieprasījuma sarukums pēc Latvijā saražotām precēm un pakalpojumiem samazinājums atstāja negatīvu ietekmi uz inflāciju gan no pieprasījuma, gan no piedāvājuma puses (samazinot ražošanas izmaksas). Savukārt ne-enerģijas produktu cenu un ārējā pieprasījuma ātrā atkopšanās pozitīvi ietekmēja inflācijas līmeni Latvijā, jau sākot no 2010. gada vidus.
• Zemo inflācijas līmeni periodā no 2011. gada 4. ceturkšņa līdz 2014. gada 4. ceturksnim vienlīdz labi raksturo gan biznesa cikla, gan ārējās vides mainīgie. Latvijas tautsaimniecības mēreni izaugsmes tempi (īpaši 2014. gadā) kopā ar krītošām naftas (2013. – 2014. gadā) un ne-enerģijas produktu (2012. –2014. gadā) cenām ierobežo inflācijas tempu (skat. 3. attēlu).
• Finanšu mainīgo (kredītu pieejamības) spēja izskaidrot inflācijas dinamiku ir samērā zema.

3. attēls. 

Jāpiezīmē, ka atbilstoši šī modeļa prognozēm 2014. gadā inflācijai bija jābūt vēl nedaudz zemākai (skat. 4. attēlu). To var izskaidrot vairāki modelī neiekļautie faktori, piemēram, netiešo nodokļu (tabakai) kāpums un eiro ieviešanas efekts [5].

4. attēls. 

Kopumā var secināt, ka, analizējot un prognozējot inflāciju, Latvijā sevišķa uzmanība jāpievērš ārējiem faktoriem, tie arī lielā mērā izskaidro šobrīd zemo inflāciju (skat. 3. attēlu). Tomēr precīzu prognozēšanu apgrūtina fakts, ka, pretēji iepriekš izteiktajiem pieņēmumiem, mums nav zināma to faktoru nākotnes dinamika. Tieši pretēji – pēdējā laikā ir pieaudzis to svārstīgums. Tas nozīmē, ka, lai gan mums ir zināmi galvenie inflāciju ietekmējošie faktori, precīza inflācijas prognozēšana joprojām paliek liels izaicinājums.

Literatūra:

1. Bańbura, M., Giannnone, D., Lenza, M. (2015). Conditional forecasts and scenario analysis with vector autoregressions for large cross-sections. International Journal of Forecasting, Vol 31, issue 3, pages 739–756.
2. Doan, T., Litterman, R., Sims, C. A. (1984). Forecasting and Conditional Projection Using Realistic Prior Distributions. Econometric Reviews, vol. 3, No. 1, pages 1–100.
3. Jarociński, M., Smets, F.R. (2008). House Prices and the Stance of Monetary Policy. Federal Reserve Bank of St. Louis Review, July/August 2008, 90(4), pages 339-365.
4. Sims (1980). Macroeconomics and Reality. Econometrica, vol. 48, No. 1, pages 1–48.
5. Sims (1992). Interpreting the macroeconomic time series facts. The Effects of Monetary Policy. European Economic Review 36, pages 975-1011.
6. Waggoner, D.F., Zha, T. (1999). Conditional Forecasts in Dynamic Multivariate Models. The Review of Economics and Statistics, Vol. 81, No. 4 (Nov., 1999), pp. 639–651.